[发明专利]一种基于深度学习的呼吸音分类方法

权利要求书

1.一种基于深度学习的呼吸音分类方法，其特征在于，包括：

S1、采集呼吸音的音频信号样本，并对所述音频信号进行预处理；

S2、根据呼吸音周期文本信息，对步骤S1中的所述音频信号进行周期划分得到设定周期的呼吸音信号；

S3、通过音频数据增强方法对数据集中呼吸音频信号进行数据增强，提取呼吸音频信号的声学特征；

S4、利用步骤S3中提取的声学特征，构造类型识别模型对呼吸音进行分类识别，得出所述分类识别结果。

2.根据权利要求1所述的一种基于深度学习的呼吸音分类方法，其特征在于，所述步骤S1中的采集的样本为920个长度从10秒到90秒不等的带注释的呼吸音频。

3.根据权利要求1所述的一种基于深度学习的呼吸音分类方法，其特征在于，所述步骤S1中的呼吸音类型包括正常呼吸音、湿罗音、哮鸣音、湿罗音和哮鸣音组合音。

4.根据权利要求1所述的一种基于深度学习的呼吸音分类方法，其特征在于，在所述S1步骤中的预处理的具体过程包括：

S101、对所述音频信号进行重采样，去除高频信息；

S102、对所述音频信号进行高通滤波处理。

5.根据权利要求1所述的一种基于深度学习的呼吸音分类方法，其特征在于，所述步骤S2中，通过呼吸音呼吸周期文本信息将S1中的所述呼吸音频分割为6898个呼吸周期音频，其中包括3642个正常呼吸音，1864个湿罗音，886个哮鸣音，506个湿罗音和哮鸣音的组合音。

6.根据权利要求1所述的一种基于深度学习的呼吸音分类方法，其特征在于，所述步骤S3具体步骤包括：

S300、采用音频加噪、音高变换、音频时移增强三种音频数据增强方法呼吸音频信号进行了数据增强；

S301、提取所述呼吸音频信号的短时能量、短时平均过零率，谱质心、谱滚降、谱对比度、色度谱、RMS能量、mfcc系数、一阶差分mfcc系数、二阶差分mfcc系数、谐噪比、基频微扰、振幅微扰共67维组合特征。